基于数据智能的人车模型构建与资源分析系统

叶 飞，吴奇石

(西南交通大学 信息科学与技术学院，四川 成都 611756)

1 概 述

近年来，随着制造强国德国提出“工业4.0”以及美国提出“工业互联网”的概念，中国作为制造业的后起国家，于2015年发布了《中国制造2025》计划，其主要目的是实现未来制造业强国崛起战略。其中汽车产业扮演了非常重要的角色[1]。

文献[2]根据权威的汽车工业协会统计，国内汽车生产量在2010年已经到达1 826.47万辆，而在同一年大约销售了1 806.19万辆，同比增长均超过32%。同时具有自主品牌的汽车市场份额也有所增加。特别是在乘用车方面，具有自主品牌汽车已经销售了627.3万辆，大约占全部乘用车总量的45.6%。2016年中国汽车销售超过2 800万辆车，连续八年都是全球销量最高的国家。随着汽车产业的飞速发展，传统的管理和销售模式已经不能适用于当前的汽车产业。越来越多的汽车制造企业开始利用信息化手段来促进管理水平的提高以及销售的增长。这些信息化平台通常能提供大量实用的功能给汽车制造企业，经销商和服务站。如销售订单管理，活动管理和维修相关的业务功能。然而随着汽车行业的竞争越来越激烈，普通的业务功能已经不能满足当前企业去提升市场竞争力的需要，同时当前数据分析和数据挖掘技术已经成功地应用在各行各业。

如何重构汽车模型设计以及更好的营销是汽车企业成功的核心。在传统的产业链平台上，制造企业尽管产生了大量的数据，如销售订单、生产数据以及保养数据等，然而由于缺乏数据分析的支持，汽车制造企业往往不能精准地投放广告以及推出更受消费者喜爱的新车型。数据分析将助力实现市场营销的价值，通过对海量市场营销数据(如客户档案数据和销售数据)进行分析，可以寻找目前市场营销中所存在的不足之处，对于所存在的瓶颈内容进行优化和改进，同时基于已有的分析可以对未来营销活动的开展给予相应的指导，帮助制造企业制定营销决策和改善产品设计。

正是基于这种背景，文中提出了基于数据智能的人车模型构建。该模型基于某协同销售系统以及数据空间，针对企业的客户数据和销售数据进行分析建模。建立起的模型不仅仅帮助制造企业分析用户的购买行为，并且帮助它们更好地制定营销计划和改善汽车产品设计。

基于产业链协同平台中的销售业务数据、与整车生产有关的整车出生档案数据以及客户档案数据进行研究，并通过构建人与车模型来帮助制造企业从传统的生产业务走向更加智能化的管理和营销模式。该模型采用了B/S架构，并使用了目前比较流行的WEB开发平台ASP.NET。为了提供产品化的展示界面，文中除了使用基于标准的ASPX技术，还使用了JS(Java Script)、AJAX、CSS(cascading style sheet)、JASON等技术。此外为了能将数据进行更好的图表展示，使用了ECHART插件。该插件可以提供丰富的图表展示功能，能够满足大部分需求。对于模型的构建，文中主要使用了群体智能、机器学习方法以及数据挖掘等技术。

2 机器学习的研究现状

近年来随着信息技术的发展，越来越多的研究机构和企业把目光投入到人工智能领域。其中机器学习已经成为越来越热门的研究方向。文中简单回顾下机器学习的研究现状，其中着重介绍两个重要的模型，一个是支持向量机，另一个是深度学习。

支持向量机是建立在统计学习理论上的模型，最初由Vapnik等[3-4]提出。由于最初的支持向量机只能解决二分类问题，随后被作者扩展到可以解决多分类问题[5]。支持向量机对分类任务具有很多优势，它可以生成一个独一无二的全局超平面将不同类别的数据分开。由于支持向量机遵循结构风险最小化原则(SRM)，它在训练阶段减少了风险的发生，并提高了其泛化能力。近年来，研究人员提出了一些改进的SVM。Mangasarian等[6]引入广义特征值近似SVM(GEPSVM)生成两个非平行超平面。在这种方法中，每个类的模式或数据样本位于一个超平面的紧密接近处，并与其他平面保持清晰的分离。在支持向量机和GEPSVM的基础上，Jayadeva等[7]提出了一种新颖的二进制分类器twin support vector machine (TWSVM)，对图案进行分类通过使用两个不平行的超平面。与传统SVM相比，TWSVM解决了一对QPP而不是单个复杂QPP问题。Shao等[8]提出了一种改进的TWSVM，也称为twin bounded support vector machine (TBSVM)。TBSVM使用“连续过松弛(SOR)”技术解决了优化问题，以提高训练过程的速度，并使用正则化项来最小化SRM原理。就计算时间和分类精度而言，TBSVM比TWSVM更有效。Kumar等[9]提出一个更快的SVM模型(LSTSVM)，并且还表现出增强的泛化性能。LSTSVM没有求解一对复数QPP，而是通过求解两个线性方程来生成两个非平行的超平面。

深度学习已经成为近年来的主流，这主要得益于大量可以利用的数据以及硬件性能的极大提高。然而在早些年，由于数据的缺乏和硬件的限制，想要训练一个大型神经网络变得尤为困难。在2006年，Hinton[10]等提出一种快速训练神经网络的方法，叫做深度信念神经网络(DBN)。该算法一经提出，立即引起了反响。人们随后开始使用规模越来越大以及越来越复杂的神经网络。不同于传统的神经网络，DBN是一种无监督学习算法，其主要目的是使用无监督训练进行神经网络的权值初始化，然后对权值进行微调。在2011年，新的激活函数(ReLU[11])被提出。该激活函数主要解决梯度消失的问题。随后几年里，Hinton等创建了深度神经网络架构AlexNet[12]，它采用了卷积神经网络(CNN)，并且抛弃了预训练，而是直接训练在数据集上。该网络模型已经取得了ImageNet图像识别大赛第一名，验证了深度学习的性能。在2014年，Goodfellow等[13]提出一种新的深度学习方法，叫做对抗生成神经网络。其主要目的是训练一个生成器能产生和真实样本类似的数据。然而最初版本的对抗生成神经网络有些弊端，比如训练不稳定，并且需要恰当的参数配置。近些年来有些改进的对抗生成神经网络已经被提出。其中一个是条件对抗生成神经网络，与传统方法不同的是，生成器和判别器都增加额外信息y为条件，y可以是任意信息，例如类别信息，或者其他模态的数据。刘智斌等[14]提出启发式强化学习方法。Gulrajani等[15]提出一种改进的对抗生成神经网络方法，叫做WGAN。它不仅被应用在非监督学习中来生成更加高清和相似的图像，也被应用在半监督学习中来提高神经网络的泛化能力。

3 客户资源系统架构设计

根据规划控制下二阶段设计理论，结合整车交易的瓶颈，系统开发、维护等因素，.NET和SQL Server进行系统设计。整个系统可分为四个部分：数据处理层，业务逻辑处理层，用户表示层，人车模型的构建，以及最终的算法层。总体的系统架构如图1所示。

图1 基于规划控制下多平台协同的人车模型与客户资源分析总体架构

人车模型与客户资源分析系统内部建构如图2所示。人车模型主要包括基础信息管理，人车模型算法配置，用户购车行为分析，购车用户分析以及销售分析等多个模块。文中侧重于人车模型的构建以及用户行为分析的功能模块。

该系统使用了整车销售数据库和服务数据库。因为仅仅通过查询整车订单和车辆基本数据是远远不够的。通过分析服务数据，文中可以提供更多因素来构建人车模型。第二层是特征抽取层，该层实时读取最新的数据并将它们转化为特定数据格式以方便建模。比如对于车辆来说，车辆的编号不适合作为特征，因为它并不是其中一个客户所关注的购买因素。第三层是数据处理层，该层的主要功能是将所有特征转化为数字矩阵，因为大部分数据如客户数据(包括职业、性别和兴趣)都是字符类型。为了能使用机器学习去训练这些数据，该系统使用统一的编码将不同的职业、兴趣等都转化为不同的数字。此外归一化主要用来将矩阵所有的元素映射到0-1之间以方便训练。第四层是算法层，该系统主要实现了使用SVM和SVR进行人车模型的构建。此外，SVM和SVR对特征以及核函数很敏感，所以该系统使用提出的混合优化算法来得到最优的模型，提高性能和准确率。第五层主要是将训练好的模型进行应用，第六层主要是基于这些应用给汽车经销商和制造厂提供智能决策功能模块。

图2 人车模型与客户资源分析系统内部架构

4 人车模型算法模型的构建与优化

文中主要针对汽车经销商与制造企业在实际的销售与营销管理中存在的不足，提出算法解决方案来构建人车模型。从企业的实际战略管理角度出发，建立以客户与车辆的关系，并以客户为中心的销售与营销模式。使用提出的混合优化算法来构建6个不同的子模型。

4.1 混合优化算法

本节提出一种新的进化支持向量机模型，该模型采用基于GA算法，结合群体智能优化技术(PSO或FOA)来实现SVM分类器的特征选择和参数优化。提出的GAPSO-FS和GAFOA-FS可以自适应地探索最佳超平面参数，并选择支持向量机模型的最优特征子集。每个算法模型的系统架构主要由三层组成。第一层是基于遗传算法的特征选择层，主要通过选择、交叉和变异的遗传操作来搜索最优特征子集，并将特征选择映射为二进制编码。第二层是参数优化层，该层主要负责通过改变每个粒子的位置和速度来动态调整SVM分类器的惩罚参数和超平面参数。使用该方式，并不需要一个特殊的映射函数，而支持向量机模型的连续参数可以由PSO或FOA确定。第三层是协调层，主要负责处理来自其他两层的信息，并将计算得到的结果返回给其他两个层。在第三层处理中，二进制字符串与连续参数组成一个SVM的参数配置。使用设计好的适应度函数可以计算出每个SVM参数配置的适应值，并将适应度值返回给其他两个层，方便其他两个层进行进化操作。而最优SVM参数配置所对应的个体将在两个算法内部指导进化操作，以便在下一代中能产生更优良的个体。

4.2 输入特征表示

(1)

(2)

4.3 混合算法的适应度函数设计

个体适应度主要由三个评价标准决定。这些评价标准是分类精度、所选择的特征子集的大小和特征成本。因此，为了在进化过程中找到最佳个体，具有低特征成本和高分类精度的小特征子集往往是最优解。所提出的混合模型采用单一的混合适应度函数，将这三个评价标准组合为一个函数。混合算法的适应度函数主要先接受来自GA优化层的二进制字符编码和来自群体智能层的SVM参数配置(特征子集和SVM参数)，然后对SVM进行训练和测试，获得分类准确度。最后根据适应度函数计算每个个体的适应度值，并将更新的适应度信息转发给两个优化层。GA层主要用于提供所选择的特征子集和特征成本，而(PSO或FOA)层主要用于计算惩罚参数和超平面参数。通过式3获得个体的适应度。

fitness_all=Wa×accuracy+Wf×

(3)

其中，fitness_all表示个体的适应度值；Wa表示分类准确度的权重；accuracy表示当前个体所获得的分类精度；Wf表示所选择特征的特征成本数量大小的权重；Ci表示第i个特征的成本。一般来说，用户可以改变一个特征的成本，以满足不同任务的要求。Fi表示第i个特征的掩码值。Fi=1表示第i个特征被选择为SVM分类器的输入特征，Fi=0表示第i个特征被忽略。

该适应度函数设计的主要优势在于，在模型的训练过程中，不光考虑SVM模型的分类精度，同时也希望有更好的泛化能力。在该适应度函数设计中，希望有更少的特征成本与特征数量。因为当用更少的特征数量来构建SVM的输入空间时，SVM模型本身的参数会更少。

4.4 混合算法流程

本节描述了所提出的GAPSO-FS和GAFOA-FS算法的细节。GAPSO-FS和GAFOA-FS方法使用不同的智能群体算法优化SVM参数，即GAPSO-FS使用PSO，GAFOA-FS使用FOA来优化SVM参数和核函数参数。两个方法的基本过程可以归纳为九个独立步骤：

步骤1：数据预处理。

面对来自数据库的数据，这些数据通常不能直接用于SVM训练，将每个数据集转换为特征矩阵和标签向量。

步骤2：参数初始化。

在参数初始化阶段，GA和PSO的种群大小被设置为相同的值，并且必须适当地设置迭代的最大次数。此外，当设置GA的参数时，突变概率和交叉概率一般分别设置为0.15和0.75。交叉点和选择操作采用单点交叉和轮盘选择方法。在GAPSO-FS方法中，PSO参数一般设置如下：C1i，C1f，C2i，C2f加速度系数分别设置为2.5、0.5、0.5和2.5。Wmax,Wmin惯性权重分别设置为0.4和0.9。在GAFOA-FS方法中，参数分别设置为20,10,20和10。

步骤3：人口初始化。

(1)在人口初始化阶段，生成一组随机二进制串G={G1,G2,…,Gi,…,Gp}，其中每个二进制串Gi由一组比特串组成，其数目等于特征数。每个二进制字符代表一个特征掩码。

(2)在GAPSO-FS方法中，PSO过程需要初始化一组粒子位置和一组粒子速度。每个粒子X的位置和相应的速度V形成二维阵列：Xi粒子的位置由参数范围内的随机值给出，粒子的速度Vi在范围[Vmin,Vmax]中随机初始化。在GAFOA-FS方法中，根据果蝇群的位置(Xaxis,Yaxis) 对每个果蝇的位置(Xi,Yi)进行初始化。

步骤4：获得个体表示的解。

步骤5：计算适应度值。

使用在步骤4中获得的个体所表示的原型(所选择的特征子集、惩罚参数和超平面参数)，计算适应度值如下：

(1)将SVM模型与每个(individuali)所代表的原型进行训练，然后使用SVM模型进行预测，以确定其准确性、灵敏度和特异度。

图3 个体详细设计

(2)计算每个个体的适应度值，根据准确度、灵敏度、特异性和所选择的特征的数量等几个指标。

步骤6：将适应度值分配给GA和群体智能优化算法(PSO/FOA)。

该步骤将适应度信息分配给GA和PSO或FOA操作层，以确定两个层的最优个体。GA中的最佳个体是通过选择种群间的最大适应值来确定的。对于GAPSO-FS方法，当所有粒子中新的粒子的最佳适应度大于所有粒子的最佳适应度，gbest会进行更新。对于GAFOA-FS方法，通过选择果蝇群中最大气味浓度值的果蝇来确定果蝇群的位置(Xaxis,Yaxis)。

步骤7：群体智能技术(PSO/FOA)层的过程。

在GAPSO-FS方法中，通过更新迭代t中的第i粒子的d维的当前速度，并更新每个粒子的位置。

步骤8：GA优化层的过程。

该步骤执行GA的操作，包括复制、选择、交叉和变异操作，以搜索更合适的特征子集。

步骤9：检查终止条件。

如果满足任何终止条件(最大迭代次数)，则算法的迭代停止，并且获得最优SVM模型；否则，重复步骤4～步骤8。

4.5 人车模型建模

本节主要介绍如何利用提出的混合优化算法来进行人车模型的构建。文中主要构建了6个不同的模型，分别是车型偏好模型、发动机偏好模型、车辆颜色偏好模型、客户潜在价值模型、客户忠诚度模型和客户购车价位模型。

4.5.1 人车模型指标体系建立

为了构建6个模型，客户指标体系的建立尤为重要。因为不同的客户有着不同的购买偏好以及价值。这些都需要依赖于客户本身的属性。当然并不是所有客户的属性都能成为指标体系。表1为人车模型指标体系。

表1 人车模型指标体系

4.5.2 数据预处理与量化

(1)数据整理与清洗。

数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。

(a)无效数据剔除。

客户的服务生命周期内的服务数据来源于销售系统与售后服务系统，在实际业务协同中存在客户在某企业群购买车辆却不在该企业群进行售后服务的情况。因此部分客户的服务及消费记录严重缺失。信息缺失的客户信息需要被首先剔除。

(b)缺失数据处理。

在销售及售后服务过程中，原有的业务单据存在有些非业务核心数据项没有进行验证的情况，业务处理过程中操作员出于工作便利未填写实际值，导致数据缺失。文中采取使用均值的办法进行缺失数据处理。

(c)错误数据纠正。

在销售与售后系统中，工作人员可能因为个人便利而没有认真输入正确的信息。这些信息在数据库中也没有进行验证，造成数据的不真实。大多数错误信息比较明显，所以根据常识或是均值进行修改。

(2)数据离散化。

由于大量的指标并不是数字类型，比如性别、职业等。而如果要使用机器学习来构建模型，所有的数据集必须转化为数字矩阵。为了解决这个问题，文中采用给一些非数字指标进行编码，以及数字指标直接赋值的方法。表2为人车模型的数字化结果。

表2 人车模型指标数字化结果

(3)数据规范化。

当人车模型指标数字化后，可以得到一个数字矩阵。然而为了防止某些特征值远大于其他所有特征，接下来要对数字矩阵进行归一化处理。此外由于核函数使用内积运行，如果特征数据相差太大可能会给计算带来困难。从效率和性能两方面考虑，在训练前需要进行归一化处理。

假设Xmax表示每维数据的最大值，Xmin表示每维数据的最小值。[a,b]表示归一化数据的目标区间。一般常用[-1,1]和[0,1]。则对于矩阵的某个Xi，归一化计算如下：

(4)

4.5.3 模型训练、分析与应用

(1)车型偏好模型的训练与预测。

文中实现了在产业链协同平台的模型实时训练。每次训练前，通过读取数据库可以获得最新的数据。并将实时数据转化并归一化为一个数字矩阵方便训练。该模型的训练特征为(年龄，兴趣，职业，来源，性别，主要用途，学历，购车价格等)。训练集合的标签为车型型号。因为是实时训练，大约有3 000多个客户数据，文中采用70%作为训练集，剩下30%作为测试集。表3展示了部分客户数据以及转化后的数字矩阵。最终的结果是80.1%的准确度。

表3 部分客户数据转化后的数字矩阵

(2)发动机偏好模型的训练与预测。

同车型偏好模型一样，发动机偏好模型也是一个分类模型。该模型主要目的是预测客户的发动机型号偏好。主要的训练特征为(年龄，兴趣，职业，来源，性别，主要用途，学历，购车价格)。而每个客户样本的Y值为0-9，分别表示10个不同的发动机型号。最终的结果是76.5%的准确度。

(3)车辆颜色偏好模型的训练与预测。

车辆颜色是客户选择车辆的重要因素之一。该模型也是一个分类模型，其主要目的是预测客户对车辆颜色的喜好。主要的训练特征为(年龄，兴趣，职业，来源，性别，主要用途，学历，购车价格)。而每个客户样本的Y值为0-9，分别表示10个不同的车辆颜色。最终的结果是50.4%的准确度。

(4)客户潜在价值模型的训练与预测。

与以上三个模型不同的是，客户潜在价值模型是一个回归模型。文中的主要目的是给某个客户打分。分数越高他的潜在价值越高。所以使用SVR来进行训练。该模型的训练特征为(年龄，兴趣，职业，来源，性别，主要用途，学历，购车价格)。为了计算每个客户的潜在价值，文中考虑到2个重要指标(维修次数，购车时间)。因为维修次数更多以及购车时间更早的客户更倾向于购买第二辆车。因此每个客户样本的Y值计算为维修次数加上购车时间。这样文中可以建立客户与潜在价值的模型，SVR可以学习每个客户属性对客户潜在价值的影响。

然而在模型的实际训练与预测过程当中，客户的潜在价值通常并不是0到100之间。为了更好地展示客户潜在价值，使用式5将预测后的结果映射到0和100之间。

(5)

其中，Vi为第i个客户的潜在价值；Vmax和Vmin分别为最大和最小的客户潜在价值；Pi为最终的客户潜在价值。

此外为了在客户分类中帮助汽车经销商精准地区分不同潜在价值的客户，定义了4个不同类别的客户，分别是普通客户、中等客户、一级客户和高级客户。其中普通客户的潜在价值区间为65-75，中等客户的潜在价值区间为75-85，一级客户的潜在价值区间为85-90，高级客户的潜在价值区间为90以上。

(5)客户忠诚度模型的训练与预测。

同客户潜在价值类似，客户忠诚度模型同样也是一个回归模型。该模块功能主要给客户进行忠诚度打分。该模型的训练特征为(年龄，兴趣，职业，来源，性别，主要用途，学历，购车价格)。为了计算每个客户的忠诚度，文中考虑到1个重要指标(重复购买次数)。因为客户如果选择进行二次购买并且购买的车辆属于同类车型说明该客户的忠诚度较高。因此每个客户样本的Y值计算为重复购买次数。这样文中可以建立客户与忠诚度的模型，SVR可以学习每个客户属性对客户忠诚度的影响。原始的客户忠诚度并没有在0到100之间，所以最终预测的客户忠诚度将会被转化为0到100之间。

(6)客户购车价位模型的训练与预测。

客户购车价位模型也是一个回归模型，它根据客户的属性来预测客户的购车价位。使用SVR去学习客户属性以及购车记录，主要特征为(年龄，兴趣，职业，来源，性别，主要用途，学历)。而每个客户样本的Y值为购车价格。

5 结束语

文中在产业链协同平台的基础上，分析了整车销售与营销的业务现状，并以AA企业为原型，对其销售和营销模式进行了研究。以汽车经销商和制造厂为核心，站在企业管理者的角度，分析具体的需求。由于现阶段大量的汽车制造企业和经销商想要利用信息技术和数据分析来扩展他们的销售渠道和改善他们的营销方式，所以数据分析和模型构建是文中的重点。